Linux:(四)给萌新的建议(1)使用Linux的注意事项

OPENSSL-1.1.1的使用及注意事项 OpenSSL 1.1.1 是一个广泛使用的开源加密库,支持多种加密算法和协议。本文介绍了其在不同操作系统上的安装方法,包括从源码编译安装和使用包管理器安装。此外,还详细说明了如何生成密钥对、创建证书签名请求、自签名证书以及验证证书的步骤。文章还提供了使用对称加密算法进行数据加密和解密的命令,并强调了升级、配置和安全方面的注意事项。建议用户定期更新OpenSSL版本,确保使用安全的密钥长度和加密算法,避免使用弱密码或默认密码,以保障数据安全。 阅读详情

出处:兄弟连

的Windows的DOS不区分大小写


在Linux中,修改任何设置,如果想永久生效,那么都需要修改配置文件

除非某些发行版已经默认设置为同时修改内存和硬盘文件数据


所谓扩展名也就是的Windows中常见的文件后缀形式为xxx.exe,或者其他后缀

但在Linux的中,系统是没办法根据文件扩展名来分辨文件类型,主要是靠文件权限区分的

这样也导致Linux的系统中没办法肉眼区分文件夹和文件..

当然,Linux的也并不是完全没有后缀,但这个后缀仅仅只是让使用者区分的,Linux的系统并不能区分

如上图所示的各种文件类型后缀,也可以不写,但是会造成用户的操作麻烦

比如,你同事发了个没有扩展名的网页文件给你,但是又没告诉你是网页文件

这时就要用不同的程序来执行它,以测试出是什么类型的文件

当然Linux也有命令来区分是什么类型的文件,可是如果管理员把命令忘记了怎么办

所以Linux的的扩展名其实是约定俗成的东西,仅仅只是为了交流方便而写的



Windows中的扩展名的主要作用是为了让系统区分这个文件能被什么程序执行或打开

还有的Windows的文件名默认设置是隐藏扩展名,不要以为没有。



之前也说过了,挂载就是分配盘符的过程,这个过程在的Windows中是自动分配的,不需要人工分配

在Linux的中要手动挂载,挂载完叫做挂载点


的Windows中的.exe是可以直接执行的文件,如果被传到的Linux中是没办法运行的,因为文件权限不够,运行环境也没有


当然了,如果非要在Linux的下执行的Windows软件,也是可以的

用虚拟机|模拟器吧,不过这是相当消耗硬件资源的行为,而且会很不稳定,容易错误,同时不要被老板发现,否则会把你打死的。

好了,总结一下:

1,Linux的区分大小写。

2,Linux的没有扩展名这个设定,如果看到有,那也只是为了让管理员好区分。

3,不同系统之间的软件不能通用。

其实第三点有点多余..这个只要用过电脑的应该都知道的..

就这样〜

1. 使用Linux作为主力系统的注意事项 文章目录1. 为什么要用 Linux 作为桌面系统2. 什么人适合用 Linux 作为主力操作系统3. 我应该选择哪一种 Linux 发行版4. 桌面环境5. 总结6. 启动盘制作7. 之后的计划 先说一下自己的情况,本人用虚拟机 Linux 系统已经很长一段时间了,因为还在上大学,各种原因,不方便在电脑上直装 Linux 系统。但是之后还是考虑要将系统替换为 Linux,为此开一系列记录文章,总结 Linux 日常使用的一些注意事项。 看这篇文章的大概都有一定的计算机基础知识。Linux 广泛用于服务器以 阅读详情

相关推荐

Linux groupmod命令教程:如何修改Linux系统中的组(附实例详解和注意事项)

groupmod命令在Linux中用于修改或更改现有的Linux系统组。它可以由超级用户或root用户处理。基本上,它通过修改组的数据库中的正确条目来修改系统上的组定义。

u012964600的博客 2824

linux注意事项

1 linux 不靠扩展名区分文件的类型 ⑴压缩包:*.gz 、*.bz2、*.tar,bz2、*.tgz等 ⑵二进制软件包:*.rpm ⑶网页文件:*.html、*.php ⑷ 脚本文件:*.sh ⑸配置文件:*.conf 理解:扩展名给管理员看的 linux没有可以区别的 linux所有的存储设备都必须挂载之后用户才能使用,包括硬盘 U盘 光盘 windows下的程序不能直接在...

d123454545的博客 249

Linux 清空文件夹:详解 rm 命令的使用与注意事项

在 Linux 系统中,rm 命令是删除文件和目录的主要工具。本文将详细介绍如何使用 rm 命令清空当前文件夹中的所有文件,并探讨其常见用法和注意事项,帮助你安全高效地管理文件。然而,由于其强大的删除能力,使用时需格外谨慎,避免误删重要数据。建议在执行删除操作前备份数据,并结合 -i 选项进行交互式删除,以提高操作的安全性。在磁盘空间不足时,可以使用 rm 命令删除无用文件或目录,释放磁盘空间。系统会逐个提示是否删除文件,输入 y 确认删除,输入 n 取消删除。执行后,当前目录下的所有文件将被删除。

记录学习的过程 2550

Linux注意事项

一.基本注意事项 1.严格区分大小写,命令和文件名称大小写区分严格例如ls!=LS,文件相同 2.Linux系统中所有的内容都是以文件的形式存在的,硬件也是以文件形式存在的,于Windows有巨大的差别 3.更改内容要写入文件,仅在命令行执行是临时的,无法生效 4.Linux文件无扩展名,文件加扩展名是为了方便管理员辨识,便于使用 5.Linux的所有设备都必须挂载后用户才能使用(例如硬盘,U盘必...

weixin_44919631的博客 379

vivado2021.1安装教程:Linux平台配置与注意事项全面讲解

详解vivado2021.1安装教程中的Linux平台配置步骤与常见问题,涵盖系统依赖、权限设置及环境变量调整,帮助开发者顺利完成vivado2021.1安装教程的全部流程。

weixin_42323064的博客 924

Ubuntu桌面消失?可能是lightdm配置在捣鬼:详细解析/etc/lightdm.conf的优先级机制与实战修复

本文详细解析了Ubuntu系统因lightdm显示管理器配置错误导致桌面消失的问题。通过分析/etc/lightdm.conf的优先级加载机制,提供了从systemctl诊断、调试模式运行到实战修复配置语法错误(如缺失[Seat:*]组)的完整方案。文章还探讨了在系统无法启动时使用chroot或恢复模式进行高级救援,并对比了lightdm与gdm3在NVIDIA驱动环境下的不同表现,帮助用户高效恢复图形界面。

weixin_29313547的博客 420

Linux——注意事项

1、Linux严格区分大小写,Linux的命令都是小写,但命令后的选项会有大写 touch #创建文件 2、Linux中一切皆文件  Linux中所有的内容都是以文件的形式保存和管理的,硬件设备也是文件,这和Windows完全不同,Windows是通过设备管理器来管理硬件的。Linux的设备文件保存在/dev/目录中,硬盘文件是/dev/sd[a-p],光盘文件是/dev/hdc等。 3、Lin...

如不來的博客 532

ptrade从零开始学习量化交易第166期【ptrade量化策略研究参考--三个因子挖掘思路】

三个因子挖掘思路

GJ57017_wx的博客 1250

1.6、Linux 使用注意事项

Linux 使用注意事项

融码一生:专注 Python、C/C++、Linux、机器学习 & 深度学习、NLP、算法领域分享 1223

ZBrush 2021来了

这次给大家带来的是:zbrush2021.1.1 win安装教程 1.下载压缩包之后解压到文件夹当中,然后打开ZBrush_2021_Installer.exe进行软件安装, 如下图 2.在这里我们保持默认的简体中文版即可,然后点击确认,如下图 3.第三步我们点击前进即可,如下图 4.第四步我们来到许可协议,在这里我们点击我接受此协议,然后点击前进,如下图 5.第五步我们来到安装目录,在这里我们可以设置安装路径,如下图 6.在这里我将安装目录修改安装到E盘为例,然后点击下一

3D游戏建模 1191

基于wxWidgets框架,使用DialogBlocks建立OpenGL界面

前言 之前公司要求使用wxWidgets做GUI,基于OpenGL图形内核,开发三维可视化工具。目前初步开发工作基本已经完成,剩下都是完善了。这里记录一下最开始的框架搭建过程(当然是简化版啦)。wxWidgets结合OpenGL开发可以实现跨平台应用,再结合CMake和VS Code,整体开发工具用习惯了会感觉非常顺手。 界面编辑 首先,使用DialogBlocks新建一个工程,这里工程目录...

cyberobot的博客 2752

关于Linux常见命令以及注意事项

在当今的IT行业中,Linux系统因其开源、稳定、高效等特性,被广泛应用于服务器管理、云计算、嵌入式开发等多个领域。掌握Linux常见命令的使用方法和注意事项,对于每一位开发者和系统管理员来说都是必不可少的技能。本文将详细介绍一些常用的Linux命令及其使用技巧和注意事项,帮助读者更好地使用Linux系统。

m0_74258518的博客 1067

期末求生指南:手把手教你用浏览器开发者工具绕过百一测评切屏检测

本文详细介绍了如何利用浏览器开发者工具绕过百一测评的切屏检测功能。通过分析JavaScript事件监听机制,定位关键检测代码,并提供实时调试和本地覆盖两种修改方法,帮助学生在遵守规则的前提下更灵活地应对在线考试。文章还包含风险控制和替代方案等实用建议。

weixin_28698059的博客 553

Linux mkdir命令教程:如何创建新的目录(附实例详解和注意事项)

mkdir(英文全拼:make directory)命令用于创建目录。在Linux系统中,你可以使用mkdir命令在命令行或者桌面的文件管理器中创建新的目录。

u012964600的博客 3736

基于FPGA的7x7矩阵求逆verilog开发

up目录一、理论基础二、核心程序三、测试结果 矩阵求逆,即求矩阵的逆矩阵。矩阵是线性代数的主要内容,很多实际问题用矩阵的思想去解既简单又快捷。逆矩阵又是矩阵理论的很重要的内容,逆矩阵的求法自然也就成为线性代数研究的主要内容之一。设A是数域上的一个n阶方阵,若在相同数域上存在另一个n阶矩B,使得: AB=BA=E。 则我们称B是A的逆矩阵,而A则被称为可逆矩阵。其中,E为单位矩阵。典型的矩阵求逆方法有:利用定义求逆矩阵、初等变换法、伴随阵法、恒等变形法等。 逆矩阵的求法有多种,其中重要

FPGA/MATLAB学习教程/源码/项目合作开发 3900

PMP--工件

合同是指对双方都有约束力的协议,强制卖方提供规定的产品、服务或结果,以及强制买方支付相应的费用。它还可能包括处于中间状态的特性,例如已设计但尚未构建的特性、质量保证中的特性或测试中的特性。RACI 矩阵是一种常见的方法,用于显示执行、担责、咨询或知情,且与项目活动、决策和可交付物有关的干系人。计划是提议的实现某种目标的方式。在项目开始前或开始时创建的文件,涉及与项目有关的战略、商业或高层级的信息。或 © 它们是用特定方法创建的结果,例如,虽然成本估算结果是一个重要工件,它们是用不同估算方法得出的结果。

stqer的博客 1667

Linux服务器管理建议、注意事项

给初学者的Linux服务器管理建议 一、学习Linux的注意事项 1、Linux严格区分大小写 2、Linux一切皆文件 3、Linux不靠扩展名区分文件类型 4、Linux中所有的存储设备都必须在挂载之后才能使用 5、Windows下的程序不能直接在Linux中使用。 二、注意事项 1、了解Linux目录结构 二、远程服务 器关机及重启时的注意事项 1、远程服务器不能关机,只能重启,在重启...

sjjsaaaa的博客 629

资产会计 Transaction Type 与业务交易的 Post to Affiliated Company 不一致导致的 AAPO176:成因剖析与修复指引

本文解析了SAP资产会计中常见的"AAPO176"错误提示,指出当交易类型(TType)与业务交易(Business Transaction)的"关联公司过账"(Post to Affiliated Company)标志不一致时,系统会拒绝过账。作者详细说明了该标志的作用机制,并提供了四种解决方案:修正交易类型使用、匹配正确的业务交易、调整系统配置或建立映射关系。文章还通过实际案例展示了配置错误对集团合并报表的影响,并附带了用于检查配置一致性的ABAP脚本。该错误通常

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 404

Linux命令:创建新的目录的工具mkdir命令详解

mkdir 命令是 Linux 和其他类 Unix 系统中的一个常用命令,用于创建新的目录(文件夹)),mkdir 是 make directory 的缩写。mkdir是用户和系统管理员在进行文件和目录管理时常用的基本命令之一。通过 mkdir,可以创建单个目录,也可以一次性创建多级目录。创建目录时,需要有足够的权限。如果你尝试创建的目录在非你所有的目录下,需要使用 sudo 或者以 root 用户身份运行命令。当创建目录时,如果目录名称包含空格或特殊字符,需要使用引号包围目录名称。

weixin_70208651的博客 5041

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

linux建议

linux注意事项 严格区分大小写(文件/命令/选项) Linux中所有内容以文件形式保存,包括硬件 硬盘文件是/dev/sd[a-p] 光盘文件是 /dev/sr0等 Linux不靠扩展名区分文件类型 压缩包:“.gz” “.bz2” “.tar.bz2” ".tgz" 二进制软件包: “.rpm” 网页文件: “*.html” ,"php" 脚本文件: ...

专注游戏研发 288

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

最新保姆级Linux下安装与使用conda:从下载配置到使用全流程

conda从安装到使用的全过程详解,保姆级最新教程

tRNA的博客 1万+

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Linux useradd命令教程:如何创建新的用户账户(附实例详解和注意事项)

useradd是Linux中用于添加用户账户的命令。它可以用于创建新的用户,并可以配合不同的选项来指定用户的主目录、UID、GID、组等信息。

u012964600的博客 1万+

Linux内核 -- Regulator 框架:设备树、内核代码与使用注意事项

本文介绍了Linux内核中的Regulator(电压调整器)框架及其使用方法。主要内容包括:1)Regulator的概念和作用,用于管理电源设备;2)设备树中定义和引用Regulator的方法;3)内核驱动中获取、设置和关闭Regulator的API调用;4)调试Regulator状态的系统工具;5)使用中的注意事项,如匹配规则、电压设置限制等;6)完整的设备树和驱动代码示例。文章强调了正确使用Regulator框架对嵌入式系统电源管理的重要性,并提供了实用建议,适合在Rockchip等平台上控制各种外设供

sz66cm 学习随笔 1654

Linux groupadd命令教程:如何有效地添加新的用户组(附实例教程和注意事项)

groupadd命令在Linux系统中用于创建一个新的用户组。这个命令可以让系统管理员更方便地管理系统中的用户。

u012964600的博客 1780

Linux tr命令教程:如何使用tr命令进行字符转换(附案例详解和注意事项)

tr是translate或的缩写,它用于字符转换,删除和压缩。它可以将一组字符转换为另一组字符,删除一组字符,或者压缩一组字符。

u012964600的博客 4500
上一篇: Linux(三)远程登录管理工具
下一篇: Linux:(五)给萌新的建议(2)服务器管理和维护建议
include_ice
博客等级 码龄9年 307粉丝 139原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值